基于充电数据和LSTM神经网络的电池健康状态估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113917337A(43)申请公布日2022.01.11(21)申请号202111192131.0G01R31/382(2019.01)(22)申请日2021.10.13G01R31/3842(2019.01)G01R31/392(2019.01)(71)申请人国网福建省电力有限公司地址350003福建省福州市鼓楼区五四路257号申请人国网福建省电力有限公司电力科学研究院(72)发明人范元亮方略斌吴涵连庆文陈伟铭黄兴华李泽文陈扩松袁敏根陈思哲郑宇(74)专利代理机构福州元创专利商标代理有限公司35100代理人陈鼎桂蔡学俊(51)Int.Cl.G01R31/367(2019.01)权利要求书4页说明书11页附图2页(54)发明名称基于充电数据和LSTM神经网络的电池健康状态估计方法(57)摘要本发明涉及一种基于充电数据和LSTM神经网络的电池健康状态估计方法，包括：构建原始数据集；对数据集进行预处理；对数据集中的输入数据进行特征提取；对输入特征与目标值进行相关系数分析；构建神经网络模型结构；训练神经网络模型；优化神经网络模型；评估神经网络模型并将其嵌入电池管理系统；电池健康状态在线估计。本发明通过使用比较稳定的充电数据对电池SOH进行估计，将输入数据的进行降维处理，同时也将输入数据与输出数据之间进行相关性分析，既提高了电池SOH估计网络模型的运算速度，又提高了电池SOH估计的精度。CN113917337ACN113917337A权利要求书1/4页1.一种基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，包括以下步骤:步骤S1:对锂离子电池进行多次充放电循环来采集数据，获取原始数据集；步骤S2:对原始数据集进行数据清洗和数据归一化，得到数据矩阵；步骤S3:根据得到数据矩阵，进行特征提取；步骤S4:对输入特征与目标值进行Pearson相关系数分析，得到最终的输入特征，并分为训练集和测试集；步骤S5:构建LSTM神经网络模型；步骤S6:基于训练集训练LSTM神经网络模型；步骤S7:采用蚁群算法对训练后的LSTM神经网络模型进行优化；步骤S8:基于测试集评估优化后的LSTM神经网络模型，若符合预设精度要求则将其嵌入电池管理系统，不符合预设精度要求则重新执行S6至S7，重新训练和优化模型；步骤S9:将待测电池的充电过程中的电流、电压、温度和时间数据，进行归一化处理和特征提取后，再输入所述电池管理系统中的神经网络模型，估计电池健康状态。2.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S1具体为：S101：选取N个同型号锂离子电池同时进行M次充放电循环实验；S102:进行恒流恒压充电，分为恒流充电和恒压充电两个阶段，第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池达到额定电压，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样时刻的电池电压、电流和温度数据；假设从零时刻开始记录数据，采样周期设定为t，经过Z个采样周期所获取数据为：其中，为电池的电压数据向量，为电池的电流数据，为电池的表面温度数据，并将其存放在数据库中；S103：以恒定电流对锂离子电池进行恒流放电，直至电池达到放电截止电压，记录整个过程的总放电量，作为电池在该次充放电循环中的当前可用容量Cnow。采用的锂离子电池SOH指标定义如下：其中，Cnow和C0分别是锂离子电池当前可用容量和电池原始标称容量；S104：循环执行步骤S102和步骤S103，在电池经过M次充放电循环后，将期间保存的有效数据整合成数据集D，可得到：2CN113917337A权利要求书2/4页S105：循环执行步骤S102至S104，直至所有N个电池都完成M次充放电循环实验，将所有数据集D都保存到原始数据集Draw中。3.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S2具体为：S201：对步骤S1获取的电池原始数据集Draw进行数据清洗；S202：对于数据清洗后的每个电池数据集D在数据集D中，每一行代表电池在一次充放电循环中的数据，对应电池的电压、电流、温度和容量数据，最后一列记为目标值CSOH，第一列至倒数第二列记为输入数据矩阵F，所述F的每一行都为一个循环中恒流恒压充电的数据向量：S203：将每一行所有的数据向量进行归一化处理，把数据映射到0～1范围之内，得到新数据向量并将其组成新的输入数据矩阵Fnew。S204：将所述新特征向量与目标值CSOH一一对应，组成新的数据矩阵Dnew。4.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估